您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
扬弃与超越———鲁迅与中国孝文化的关系.pdf98页
本文档一共被下载：
次 ,您可免费全文在线阅读后下载本文档
文档加载中...广告还剩秒
需要金币：130 &&
你可能关注的文档：
··········
··········
独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工
作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地
方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含
为获得或其他教育机构的学位或证书而使用过的材料。与我一同工作
的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表
学辞论文作者塞名：薛吲签字魄棚啤乡月／日
学位论文版权使用授权书
本学位论文作者完全了解江西师范大学研究生院有关保留、使用
学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印
件和电子稿，允许论文被查阅和借阅。本人授权江西师范大学研究生
院可以将学位论文的全部或部分内容编入有关数据库进行检索，可以
采用影印、缩印或扫描等复制手段保存、汇编学位论文。
保密的学位论文在解密后适用本授权书
学位论文作者签名：再捌
导师签名Ⅺ7'--1，考炙
签字日期：卅口年易月1日
签字Et期：抄／啤‘月／日
鲁迅与中国孝文化的关系体现在四个层面：首先，五四时期，鲁迅站在时代
的最前沿，对中国孝文化进行了猛烈的批判，揭露了其等级性、封建性、压迫性、
专制性、残酷性和虚伪性，具有巨大的时代意义。其次，他并未全盘否定中国的
孝文化，而是认真而又严格地践行符合人的自然天性的孝道，成为了新时代行孝
的楷模；为了母亲，他又不得
正在加载中，请稍后...&欢迎访问起点女生网，请&&或&
加入书架书签 |
投女生推荐票 |
阅读底色..
字体大小..
默认设置..
打赏作品&|&
给本书投粉红票&|&
给本书评价
月光下的花嫁
作者：&& 更新时间： 15:40&& 阅读最新章节
颤抖之魂 分卷阅读本卷共0字
第一回 笼中鸟&第二回 入嫁&第三回 伤&第四回 谈判&第五回 妥协&第六回 情动&第七回 欲念&第八回 休书&第九回 徐亦枫来访&第十回 不甘&第十一回 西湖行&第十二回 灯会遇劫&第十三回 疾天计谋&第十四回 中计&第十五回 营救&第十六回 测试与成果&第十七回 迁居&第十八回 新居&第十九回 菐娘&第二十回 访归&第二十一回 燕瑮拜访&第二十二回 颤抖&第二十三回 引&第二十四回 惑&第二十五回 解&第二十六回 严成到来&第二十七回 挑明&第二十八回&第二十九回&第三十回&第三十一回&第三十二回&第三十三回&
起点女生网欢迎广大书友光临阅读，最新、最快、最火的连载作品尽在起点原创！手机用户请到阅读。
向朋友推荐 |外表看上去像两个矩形拼在一起的矩形是什么样的昆虫 - 叫阿莫西中心 - 中国网络使得骄傲马戏中心！
外表看上去像两个矩形拼在一起的矩形是什么样的昆虫
小站会根据您的关注，为您发现更多，
看到喜欢的小站就马上关注吧！
下一站，你会遇见谁的梦想？
亚利桑那大学公开课：宇宙起源 3.暗物质、暗能量和暴膨理论：宇宙的谜团
6. 计算任意数据的拓扑或几何？一个hodge式可能 Stephen Smale
当物理遇到音乐……太牛逼，不看后悔！！！！神奇的很额(⊙ △ ⊙)
Maybe it wasn't the Higgs particle after all
Last year CERN announced the finding of a new elementary particle, the Higgs particle. But maybe it wasn't the Higgs particle, maybe it just looks like it. And maybe it is not alone.
The research team has scrutinized the existing scientific data from CERN about the newfound particle and published their analysis in the journal&Physical Review D. A member of this team is Mads Toudal Frandsen, associate professor at the Center for Cosmology and Particle Physics Phenomenology, Department of Physics, Chemistry and Pharmacy at the University of Southern Denmark.Many calculations indicate that the particle discovered last year in the CERN particle accelerator was indeed the famous Higgs particle. Physicists agree that the CERN experiments did find a new particle that had never been seen before, but according to an international research team, there is no conclusive evidence that the particle was indeed the Higgs particle.&The CERN data is generally taken as evidence that the particle is the Higgs particle. It is true that the Higgs particle can explain the data but there can be other explanations, we would also get this data from other&particles&, Mads Toudal Frandsen explains.The researchers' analysis does not debunk the possibility that CERN has discovered the Higgs particle. That is still possible - but it is equally possible that it is a different kind of particle.&The current data is not precise enough to determine exactly what the particle is. It could be a number of other known particles&, says Mads Toudal Frandsen.But if it wasn't the Higgs particle, that was found in CERN's particle accelerator, then what was it?&We believe that it may be a so-called techni-higgs particle. This particle is in some ways similar to the Higgs particle - hence half of the name&, says Mads Toudal Frandsen.Although the techni-higgs particle and Higgs particle can easily be confused in experiments, they are two very different particles belonging to two very different theories of how the universe was created.The Higgs particle is the missing piece in the theory called the Standard Model. This theory describes three of the four forces of nature. But it does not explain what dark matter is - the substance that makes up most of the universe. A techni-higgs particle, if it exists, is a completely different thing:&A techni-higgs particle is not an elementary particle. Instead, it consists of so-called techni-quarks, which we believe are elementary. Techni-quarks may bind together in various ways to form for instance techni-higgs particles, while other combinations may form dark matter. We therefore expect to find several different particles at the LHC, all built by techni-quarks&, says Mads Toudal Frandsen.If techni-quarks exist, there must be a force to bind them together so that they can form particles. None of the four known forces of nature (gravity, the electromagnetic force, the weak nuclear force and the strong nuclear force) are any good at binding techni-quarks together. There must therefore be a yet undiscovered force of nature. This force is called the the technicolor&force.What was found last year in CERN's accelerator could thus be either the Higgs particle of the Standard Model or a light techni-higgs particle, composed of two techni-quarks.Mads Toudal Frandsen believes that more data from CERN will probably be able to determine if it was a Higgs or a techni-higgs particle. If CERN gets an even more powerful accelerator, it will in principle be able to observe techni-quarks directly.
量子世界产生于“多重互动”的普通世界
量子世界有许多奇异现象，物体能同时存在于两个地方，光既是波又是粒子。最近，澳大利亚科学家提出的一种新理论认为，这种现象是由许多&平行的&普通世界之间的相互作用产生的。相关论文发表在最近的上。&这是对以前量子解释的一个根本性转变。&澳大利亚布里斯班格里菲斯大学理论量子物理学家霍华德&怀斯曼说。理论学家试图通过各种数学框架来解释量子行为。其中之一是美国理论学家休&埃弗雷特三世上世纪50年代提出的&多重世界&解释，即普通世界是从许多同时存在的量子世界中产生的，但这些&分支&世界是相互独立的，彼此之间不会相互影响。据《自然》网站10月24日报道，怀斯曼小组设想的却是另一种&多重世界&，这些世界能互相&碰面&，可称之为&多重互动世界&。就每个世界而言都遵从传统的牛顿物理学，但合在一起，这些世界的相互作用就产生了量子现象，通常归入量子世界。研究人员用数学解释了这种相互作用是怎样产生量子现象的。比如在量子世界，粒子能通过隧道效应穿过能量屏障；而在传统世界，一个小球无法自己越过高墙。怀斯曼说，按照他们的理论，当两个传统世界相互靠拢时，两边都会产生能量屏障，其中一边在另一个世界要弹回时会加速。由此前面的世界会突然连通，打破看似不可逾越的障碍，就像粒子的量子隧穿那样。他们还描述了其他一些量子现象，也能用多重互动世界来解释。根据他们的推算，41个相互作用的世界能产生著名的&双缝实验&中所产生的量子相干，也证明了光可以表现为波或粒子。&激励我的动机是，寻找一个令人信服的真实理论，以一种自然的方式再现量子现象。&怀斯曼说，&这一改变牵涉到许多问题，我们不能说已回答了所有问题。&比如怎样用这一新理论来解释量子纠缠，即相隔遥远的粒子之间仍存在某种关联的现象；多个世界之间要产生互动，必须有某种力的作用，这些力属于哪种？这些世界是否需要特殊的初始条件，才能产生互动？美国密歇根大学理论物理学家查尔斯&赛本斯说，他对这种新解释感到兴奋，他自己也独立发展了类似想法，并取了一个颇为矛盾的名字叫&牛顿量子力学&。从本质上说，他和怀斯曼的观点大意相同而表述有异。&他们对一些特别现象，如基态能量和量子隧穿给出了很好分析，而我是对概率和对称性进行了更深入探讨。&赛本斯说，他也写了类似论文，将在最近的《科学理论》上发表。&
多边形外角和等于 360° 的一种直观解释
多边形外角和等于 360& 的一种直观解释&
趣题：圆内接八边形的面积
一个圆内接八边形，各边长度依次为 2, 2, 2, 2, 3, 3, 3, 3 。求这个八边形的面积。
&&&&&&&&&&&&假设圆的半径为 R 。整个八边形是由 4 个三边分别为 3, R, R 的三角形和 4 个三边分别为 2, R, R 的三角形组成。如果我们重新摆放这 8 个三角形，让这两种三角形交替出现的话，整个图形的面积是不会变的。然而，新的八边形相当于是一个边长为 3 + 2&2 的正方形去掉了 4 个直角边为 &2 的等腰直角三角形以后所得的图形。它的面积是 (3 + 2&2)2 & 4 = 13 + 12&2 。
这是 1978 年 Putnam 数学竞赛的 B1 题。我是在 Proofs Without Words II & More Exercises in Visual Thinking 一书里看到的题目及其解法。
震撼的干冰泡沫实验！开眼界了~~好腻害的样子~目测2:15到达仙境
【加微信hahabzc用手机看小站，每天福利送不停~~~你懂得。。】
城市计算与大数据
&编者按：近年来，随着感知技术和计算环境的成熟，各种大数据在城市中悄然而生。城市计算就是用城市中的大数据来解决城市本身所面临的挑战，通过对多种异构数据的整合、分析和挖掘，来提取知识和智能，并用智能来创造&人&环境&城市&三赢的结果。微软亚洲研究院主管研究员郑宇从城市计算的基本框架及核心问题、典型应用、主要技术等方面对城市计算研究进行了全面而详细的分析，让我们一睹为快！
城市计算的基本框架及核心问题
基本框架城市计算的基本框架包括城市感知及数据捕获、数据管理、城市数据分析和服务提供（如图1）。与自然语言分析和图像处理等&单数据单任务&系统相比，城市计算是一个&多数据多任务&系统。城市计算中的任务包括改进城市规划、缓解交通拥堵、保护自然环境、减少能源消耗等。而一个任务又需要同时用到多种数据。例如，在城市规划的设计过程中，需要同时参考道路结构、兴趣点分布、交通流等多种数据源。
核心问题城市计算是一门新兴的交叉领域，涵盖面较广。从计算机科学的角度来看，其核心的研究问题主要包括以下4 个方面：
城市感知如何利用城市现有的资源（如手机、传感器、车辆和人等），在不干扰人们生活的前提下自动感知城市的韵律，是一个重要的研究课题。如何从大量的传感器和设备中高效而可靠地收集、传送数据将给现有的传感器网络技术带来挑战。此外，人作为传感器参与到城市感知过程是一个新概念。例如，当一场灾难发生后，有些用户会在社交网络上发布消息或上传照片。这些用户其实就是在感知发生在他们身边的事情。用户在出入地铁站时的刷卡行为也间接帮助我们感知了地铁系统的拥挤和人们的出行。人赋予了传统传感器强大的感知能力和前所未有的灵活性，但产生的数据更加随机、无序（如微博上的文字），数据的产生时间也变得难以预测、不可控，这给数据的收集和解析带来了挑战。
海量异构数据的管理城市产生的数据五花八门，属性差别很大。例如：气象是时序数据，兴趣点是空间点数据，道路是空间图数据，人的移动是轨迹数据（时间+ 空间），交通流量是流数据，社交网上用户发布的信息是文本或图像数据。如何管理和整合大规模的异构数据是一个新的挑战。尤其是在一个应用中使用多种数据时，只有提前建立起不同数据之间的关联，才能使后面的分析和挖掘过程变得高效、可行。
异构数据的协同计算这部分包括三个方面：(1) 如何从不同的数据源中获取相互增强的知识是一个新的课题。传统的机器学习往往基于单一数据，如自然语言处理主要分析文本数据，图像视觉主要基于图像数据。在城市计算的很多应用中，对不同性质的数据一视同仁，其效果并不理想。(2) 在保证知识提取深度的同时，如何提高对大数据的分析效率，从而满足城市计算中众多实时性要求较高的应用（如空气质量预测、异常事件监测等），也是一个难题。(3) 数据维度的增加也容易导致数据稀疏性问题。当数据规模达到一定程度，简单的矩阵分解算法都变得难以执行。
虚实结合的混合式系统城市计算常常催生混合系统，如云加端模式，即信息产生在物理世界，通过终端设备被收集到云端（虚拟世界）分析和处理，最后云再将提取的知识作为服务提供给物理世界的终端用户。数据在物理和虚拟世界中来回穿行，从分散到集中，再到分散。这对系统的设计和搭建提出了更高的要求。基于浮动车数据的快速行车路线设计以及城市异常事件的监测都是典型的混合式系统。
城市计算的典型应用
城市规划城市拥堵在一定程度上突显了现有道路网的设计已经不能满足不断发展的城市交通流的需求。如图2(a) 所示，利用高速和环路等主干道将城市分割成区域，然后分析大规模车流轨迹数据在不同区域之间行驶的一些特征，便可找到连通性较差的区域对，从而发掘现有城市道路网的不足之处。图2(b) 给出了基于北京市3 万多辆出租车3 个月轨迹数据的分析结果。这些结果可以作为制定下一版交通规划的参考。同时，通过对比连续两年的检测结果，可以验证一些已经实施的规划（如新建道路和地铁）是否合理。
城市的不断发展催生了不同的功能区域，如文教、商业和住宅区等。准确掌握这些区域的分布对制定合理的城市规划有着极其重要的意义。但是一个区域的功能并不是单一的，例如在科学文教区里仍然有饭店和商业设施的存在。因此，一个区域需要由一个功能的分布来表达（如70%的功能为商业，20% 的功能为住宅，剩余的为教育）。由于一个区域杂糅了很多不同类别的兴趣点，而且每个兴趣点的作用大小和被访问频度都很难预知，这给城市规划提出了很大的挑战。例如，同样都是餐馆，一个小区里的小店和全聚德之类的大店所反映的区域功能是完全不一样的。结合兴趣点数据和人们的移动模式，Discovering regions of different functions in a city using human mobility and POIs分析了城市中不同的功能区域。如图3(a) 所示，相同颜色的区域具有相同的功能分布（如红色区域主要为科学文教区）。图中所采用的人的移动性数据是从出租车的轨迹数据中提取出来的，该轨迹数据包含乘客上车和下车地点的信息。人的移动性数据可以很好地区分相同类别的兴趣点的热度，也可以揭示一个区域的功能。例如有一个区域，大部分人都是上午8 点左右离开，晚上7 点返回，则这个区域很可能是住宅区。一个区域的主要功能是文教，但也不代表该区域的任何一个地点都服务于文教。因此，给定一种功能，我们希望知道它的核心区域所在。图3(b) 显示了成熟商业区的核心区域，颜色越深表示该区域是成熟商业区的概率越大。
智能交通T-Drive 系统利用装有GPS 传感器的出租车来感知交通流量，并为普通用户设计出真正意义上的最快驾车线路。如图4 所示，T-Drive 提出了一个基于地标图的路由算法，其中一个红点表示出租车司机走过最频繁的路段之一（称为一个地标），红点之间的连线表示连接两个地标点的一条虚拟边，代表连续经过这两个地标点的出租车轨迹的聚合。根据出租车轨迹数据，可以学习出任何一条虚拟边的通行时间。T-Drive 的改进版进一步考虑了天气及个人驾车习惯、技能和道路熟悉程度等因素，提出了针对个人的个性化最快线路设计。这个系统不仅可以为每30 分钟的驾车路程节约5分钟时间，还可以通过让不同用户选择不同的道路来缓解可能出现的拥堵。打车难是很多大城市面临的一个问题。通过分析出租车乘客的上下车记录，T-Finder提供了一个面向司机和乘客的双向推荐服务。一方面，这个系统向出租车司机建议一些&趴活&地点。只要向这些地点行驶，司机将在最短的时间内（在路上或者推荐地点）拉到乘客，并且使收入最大化。另一方面，如图5(a) 所示，该系统向乘客推荐一些周边的路段，在这些路段上寻找到空车的概率更高（不同颜色表示不同概率，蓝色最高，红色最低）。同时，T-Finder 还可以预测周边的一些出租车停靠站在未来半小时内将驶入的空车数目。T-Finder通过推荐能够缓解非高峰时段的打车难问题，但该系统并不能真正解决高峰时段的问题。T-Share则通过出租车实时动态拼车的方案来解决这一难题。在T-Share系统里，用户通过手机提交打车请求，表明上下车地点、乘客人数和期望到达目的地的时间。后台系统实时维护所有出租车的状态，在接收到一个用户请求后，搜索出满足新用户条件和车上已有乘客条件的最优的车。这里的最优是指出租车去接一个新的用户所增加的里程最小。如图5(b)所示，该出租车被规划为先后接 u1 和 u2，放下 u1 接 u3，再放 u2 ，然后放 u3（+ 表示上车，- 表示下车）。根据仿真结果显示，TShare系统一年可以为北京市节约8 亿升汽油（可供100 万辆车开10 个月，价值10 亿元人民币，并减排二氧化碳 16 亿千克），乘客能打到车的概率提高3 倍，但费用降低7%，出租车司机的收入增加10%。
图5 城市计算中的出租车解决方案还有一些研究工作，利用乘客在地铁系统中的刷卡数据来估计单个地铁站点内的拥挤程度和不同站点间的通行时间，从而优化人们的出行线路、时间和购票方式的选择。还有人通过分析出租车的轨迹数据来建议开通公交线路。如果有大量的人通过打出租车从一个地点到另一个地点，则说明这两个地点需要公交线路来连通。
环境空气质量信息对控制污染和保护人们身体健康有着重要的意义。很多城市都开始通过建设地面空气监测站来实时感知地面的空气质量。但是由于监测站的建设成本高昂，一个城市的站点有限，并不能完全覆盖整个城市。如图6(a) 所示，北京城区仅有22 个空气监测站点（平均约100平方公里设一个站点）。然而空气质量受多方面因素影响（如地表植被、交通流量、楼房密度等），而且随地域不均匀变化。如果一个区域没有监测站，我们并不知道该地区空气质量的好坏，更不能用一个笼统的数据来概括整个城市的空气状况。
利用群体感知是解决这个问题的一种方式。例如，&哥本哈根车轮&项目在自行车车轮里安装一些传感器，通过用户手机将收集的数据发送至后台服务器。依靠群体的力量，我们就可以感知整个城市不同角落的温度、湿度和二氧化碳浓度。由于受传感器大小和感知时间的限制，这种方式只适用于部分气体，如一氧化碳和二氧化碳。由于传感器体积较大，不便于携带，对于细颗粒物(PM2.5) 这样的悬浮物则需要2~4 小时的测量时间才能产生较为精确的数据。U-Air 利用地面监测站有限的空气质量数据，结合交通流、道路结构、兴趣点分布、气象条件和人们流动规律等大数据，基于机器学习算法建立数据和空气质量的映射关系，从而推断出整个城市细粒度的空气质量。图6(b) 显示了北京某时刻的细粒度空气质量（其中不同颜色表示不同污染指数，绿色为优）。
社交和娱乐社交网络的盛行，尤其是基于位置的社交网络的风靡，带来了丰富的媒体数据，如用户关系图、位置信息（签到和轨迹）、照片和视频等。这些数据不仅表现了个人的喜好和习惯，也反映了整个城市人们的生活方式和移动规律。基于这些数据，产生了很多推荐系统，包括朋友推荐、社区推荐、地点推荐、旅行线路推荐和行为活动推荐。文献A survey on recommendations in location-based social networks 综述了基于位置的社交网络中的各种推荐系统。城市计算中的社交应用更加强调从大量用户的社交媒体数据中提炼出群体智慧。人作为一个重要的感知和计算单元参与到计算的过程中是城市的重要特点之一。例如，一个用户的签到或者带有地标的照片数据都可被看成是不确定的轨迹，原因在于用户不会不停地签到或拍照。在得到这样一条轨迹数据时，我们无法判断出该用户选择的具体线路，如图7(a)。但是，当我们把很多个用户的不确定线路叠加到一起，就能猜测出最有可能的线路，如图7(b)，即&不确定+ 不确定&确定&。这样的应用可以帮助人们规划旅行线路。例如，一个用户想在一条线路中去后海、天坛和颐和园3 个地方，把这3 个点输入到系统里，可以根据大众的签到数据计算出一条最热门的游玩路线。
社交媒体数据同时也向城市计算的其他方面贡献着力量。例如，通过网民在社交网络中发布的信息来预测总统选举结果、疾病蔓延和房价走势，发现异常事件和灾难，分析交通流量，设计广告推送和商业选址。通过社交媒体还能分析一个城市的风格以及不同城市之间的相似性。
能源消耗文献Sensing the pulse of urban refueling behavior利用装有GPS 的出租车在加油站的等待时间来估计加油站的排队长度，估算出此时加油站内的车辆数目及加油量。通过将全城的加油站数据汇总，便可计算出任意时刻消耗掉（加入到汽车油箱里）的燃油数。这些数据能实现三方面的应用：第一，给需要加油的用户提供推荐信息，寻找排队时间最短的加油站；第二，可让加油站运营商知道各个地区的加油需求，从而考虑增加新的站点或动态调整某些加油站的工作时间；第三，政府可以实时掌握整个城市的油耗，制定更为合理的能源战略，如图8 所示。
文献Coordinated clustering algorithms to support charging infrastructure design for electric vehicles通过分析人口数据、车辆的轨迹数据、各地区能源消耗情况和兴趣点的分布来研究未来新能源汽车的充电站建在何处最优。也有不少工作通过分析汽车内部的传感器数据（如踩油门、刹车的时间和次数等）来建议经济省油的开车方式。
经济城市经济是一个相对成熟的研究领域。例如，分析决定土地价格的因素、土地使用限制对经济的影响，公司选址和人们选择住宅的位置对周边未来经济的影响等。文献Geo-spotting: mining online location-based services for optimal retail store placement通过分析大量用户的签到数据为商业选址提供位置建议。比如，要开设一个新的麦当劳餐厅，什么地方是最理想的位置。结合道路结构、兴趣点分布、人口流动等诸多因素来对屋的价值排序。即在市场向好时，哪些小区的房价将会涨得更多；市场下行时，哪些小区的房价比较抗跌。与使用传统经济学模型不同，以上这两个例子采用了机器学习算法和数据驱动的方法。
城市安全和应急响应城市中总是会有一些突发事件，如自然灾害（地震和洪水等）、大型赛事和商业促销、交通事故和临时管制、群体性事件等。如果能及时感知、甚至预警这些事情，将能极大地改善城市管理，提高政府对突发事件的应对能力，保障城市安全，减少损失和悲剧的发生。Discovering spatio-temporal causal interactions in traffic data streams、On mining anomalous patterns in road traffic streams、On detection of emerging anomalous traffic patterns using GPS data通过分析北京3 万多辆出租车的轨迹来发现城市中的异常事件。其主要思想是当异常事件发生时，附近的交通流将出现一定程度的紊乱。文献Inferring the root cause in road traffic anomalies 试图用具体的交通线路来进一步解释异常出现的原因。如图9所示，L1 连通的两个区域之间出现了交通流异常，但问题本身可能并不在这两个区域。其原因在于天安门附近因马拉松比赛而导致了交通管制，之前通过紫色虚线出行的车流就不得不绕道到绿色分段线的线路。所以绿色的线路才是产生这次异常的原因。根据司机选择路线的改变来捕捉交通异常，并进一步从相关的微博中提取关键词来解释异常的原因，如婚博会、道路坍塌等。图9 分析交通异常Modelingand probabilistic reasoning of population evacuation during large-scale disaster通过分析160 万日本人一年的GPS 移动轨迹数据库来对日本大地震和福岛核事故发生后的灾民移动、避难行为进行建模、预测和模拟。这样日后再有类似事件发生时，便可从之前的灾难中吸取经验，提前做好准备。例如，为人们推荐合理的撤退线路。
城市计算的主要技术
传感器技术
传感器网络实现现有专业传感器（如温度传感器、位置传感器、交通流线圈、空气质量监测仪等）之间的互联互通，完成数据的快速收集。
主动参与式感知用户通过主动分享自己获取的数据来共同完成一个复杂的任务。例如，每个用户都利用手机上的传感器来分享自己周边的气温和湿度，从而构建出全城细粒度的气象信息。
被动群体感知城市里各种信息基础设施（如蜂窝移动通信系统和公交卡系统）为城市计算提供了良好的感知平台。这些基础设施可能并不是专门为城市计算设立的，但当用户在使用这些基础设施时会产生大量的数据，将这些数据融合到一起能很好地反映城市的韵律。例如，通过分析大量用户的地铁刷卡数据就能掌握城市的人口流动规律。通过分析大规模的出租车轨迹数据就能感知城市路面的交通流。与主动参与式感知技术不同，被动式群体感知中的用户并不知道自己的数据将作何使用，甚至不知道自己在产生数据。
数据管理技术
流数据管理由于大量的传感器数据都以流的形式输入，高效的流数据库技术是城市计算数据管理层的基石。
轨迹管理交通流、人的移动以及带位置标签的社交媒体都可以表示为轨迹数据（即带有时间戳并按时间排序的点序列）。在城市计算中经常会用到轨迹处理技术，如地图匹配算法、轨迹压缩、轨迹搜索、轨迹频繁模式挖掘等。
图数据管理社交网络中人的关系、不同地区之间的人口流动、道路上的交通流等等都可表达为图模型。因此，图数据的管理和模式发现技术尤为重要。城市计算的应用中更多会用到带有时空属性的图模型，即每个节点都有空间坐标信息，图中边和点的属性（甚至图结构）会随时间而变化。前文提到的最快行车路线设计、查找路网中不合理规划、发现城市不同的功能区域以及交通流异常检测都是以带有时空属性的图为研究模型。
时空索引有效的索引可以大大提高数据提取的效率。由于空间和时间是城市计算中最常用的两个数据维度，各种空间索引和时空索引都是常用技术。更重要的是利用时空索引技术将不同种类的数据（如文本、车流等）关联和组织起来，为之后的高效数据挖掘和分析做好准备。
数据挖掘技术用于城市计算的数据挖掘和机器学习算法比较多。各种模式发现、统计学习和人工智能方法都可以应用到该领域。但在挑选这些技术时需要考虑以下两个因素：
能从异构数据中学习到相互增强的知识通常有3 种方法来实现这个目标：(1) 分别从不同数据中提取特征，然后简单地将这些特征直接拼接并归一化到一个特征向量里，输入到机器学习的模型中。由于不区分不同数据的特性，因此这种方法并不是最有效的。(2) 在计算模型的不同阶段先后使用不同数据。例如，文献Urban computing with taxicabs先用道路数据将城市分割成很多区域，然后再将轨迹数据映射到这些区域上构建图，最后通过分析图模型来找出不合理的道路规划。(3) 将不同的数据分别输入到同一个计算模型的不同部分。如文献Discovering regions of different functions in a city using human mobility and POIs将人的移动性数据和兴趣点数据分别输入到一个主题模型的两个不同部分来分析城市的不同功能区域。文献U-Air: when urban air quality inference meets big data将交通流、人的移动性和气象数据等时变信息输入到一个随机条件场conditional random fields, CRF) 来模拟一个地点空气的时序相关性，将道路结构、兴趣点分布等空间（非时变）信息输入到神经网络中来模拟不同区域间空气质量的相关性。然后，这两个模型在半监督学习的框架里相互迭代、增强，共同推断出一个地点的空气质量。如果只是简单将所有数据输入到一个分类器中，由于那些空间数据不随时间变化，会被忽略，因此预测效果并不好。
应对数据的稀疏性大数据与数据的稀疏性并不矛盾。以预测城市的细粒度空气为例，我们能观测到的交通流、人流、道路和兴趣点数据都是大数据，由于只有有限的监测站能产生空气质量的读数，因此，训练数据很稀疏。另外一个例子是利用出租车来估计城市的燃油消耗。出租车的GPS 轨迹数据巨大，但某些时刻有相当一部分加油站并没有出租车出入。如何估计这些站点的油耗，也是一个应对数据稀疏性的问题。解决这一问题通常可采用以下3 种方法：(1) 使用半监督学习算法或转移学习算法。如文献使用半监督学习算法来弥补因空气监测站少而带来的训练样本稀疏性问题。(2)采用矩阵分解算法和协同过滤。城市油耗估计就是利用这种方法来解决数据稀疏性问题的。(3) 基于相似性的聚类算法。假设我们需要根据埋在地面的线圈传感器来估计行驶在道路上的车辆数，但由于不是所有路面都埋有线圈，所以很多道路上的流量无法估计。根据道路的拓扑结果、周边的兴趣点分布等信息，我们可以计算不同道路之间的相似性，从而对道路进行聚类。这样被分在同一个类里的道路很可能具有相同的车流模式。于是，在一个类中，我们可以将有传感器道路的读数赋给那些没有传感器的道路。
优化技术城市计算中也经常用到各种优化技术。比如文献T-Share: a large scale dynamic taxi ridesharing service就是通过将时空搜索技术和路径优化相结合来寻找能够接送乘客的最佳出租车。文献Inferring the root cause in road traffic anomalies通过线性规划来分析最有可能造成交通异常的车流。文献Where to Find My Next Passenger? 向出租车司机推荐最优的乘客寻找路线。
混合数据的可视化技术可视化以直观的方式帮助我们理解获取的知识和模式。图10 是每个工作日 12~14 点之间乘坐出租车到达各个区域的人数的热度图（颜色越深，人越多）。将不同时间段的此类热度图连续播放，便可以动态反映整个城市的人口流动规律。相对而言，北京东部的中央商业区具有更高的人气。与单一数据可视化不同，城市计算中的可视化技术需要同时考虑多个维度，其中空间和时间是两个至关重要的维度。城市计算是一个新兴的交叉领域，是计算机学科与传统城市规划、交通、能源、经济、环境和社会学等多个领域在城市空间的交汇。它关系到人类未来的生活质量和可持续性发展。大数据时代的到来为城市计算提供了更多的机遇和更广阔的前景
量子力学专业英语词汇
1、microscopic world&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 微观世界
2、macroscopic world&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 宏观世界
3、quantum theory&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 量子[理]论
4、quantum mechanics&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 量子力学
5、wave mechanics&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 波动力学
6、matrix mechanics&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 矩阵力学
7、Planck constant&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 普朗克常数
8、wave-particle duality&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 波粒二象性
9、state&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 态
10、state function&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 态函数
11、state vector&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 态矢量
12、superposition principle of state&&&&&&&&&&&& 态叠加原理
13、orthogonal states&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 正交态
14、antisymmetrical state&&&&&&&&&&&&&&&&&&&&&&&&& 正交定理
15、stationary state&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 对称态
16、antisymmetrical state&&&&&&&&&&& &&&&&& &&&&&& 反对称态
17、stationary state&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 定态
18、ground state&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 基态
19、excited state&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 受激态
20、binding state&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 束缚态
21、unbound state&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 非束缚态
22、degenerate state&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 简并态
23、degenerate system&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 简并系
24、non-deenerate state&&&&&&&&&&&&&&&&&&&&&&&&&&&& 非简并态
25、non-degenerate system&&&&&&&&&&&&&&&&&&&&&&& 非简并系
26、de Broglie wave&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 德布罗意波
27、wave function&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 波函数
28、time-dependent wave function&&&&&&&&&&&& 含时波函数
29、wave packet&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 波包
30、probability&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 几率
31、probability amplitude&&&&&&&&&&&&&&&&&&&&&&&&& 几率幅
32、probability density&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 几率密度
33、quantum ensemble&&&&&&&& &&&&&&&&&&&&&&&&&&&& 量子系综
34、wave equation&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 波动方程
35、Schrodinger equation&&&&&&&&&&&&&&&&&&&&&&&&& 薛定谔方程
36、Potential well&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 势阱
37、Potential barrien&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 势垒
38、potential barrier penetration&&&&&&&&& &&&&&& 势垒贯穿
39、tunnel effect&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 隧道效应
40、linear harmonic oscillator&&&&&&&&&&&&&&&&&&& 线性谐振子
41、zero proint energy&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 零点能&
42、central field&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 辏力场
43、Coulomb field&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 库仑场
44、δ-function&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& δ-函数
45、operator&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 算符
46、commuting operators&&&&&&&&&&&&&&&&&&&&&&&&& 对易算符
47、anticommuting operators&&&&&&&&&&&&&&&&&&&& 反对易算符
48、complex conjugate operator&&&&&&&&&&&&&&&& 复共轭算符
49、Hermitian conjugate operator&&&&&&&&&&&&&& 厄米共轭算符
50、Hermitian operator&&&&&&&&&&&&&&&&&&&&&&&&&&&& 厄米算符
51、momentum operator&&&&&&&&&&&&&&&&&&&&&&&&&& 动量算符
52、energy operator&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 能量算符
53、Hamiltonian operator&&&&&&&&&&&&&&&&&&&&&&&&& 哈密顿算符
54、angular momentum operator&&&&&&&&&&&&&&& 角动量算符
55、spin operator&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 自旋算符
56、eigen value&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 本征值
57、secular equation&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 久期方程
58、observable&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 可观察量
59、orthogonality&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 正交性
60、completeness&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 完全性
61、closure property&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 封闭性
62、normalization&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 归一化
63、orthonormalized functions&&&&&&&&&&&&&&&&&& 正交归一化函数
64、quantum number&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 量子数
65、principal quantum number&&&&&&&&&&&&&&&&&& 主量子数
66、radial quantum number&&&&&&&&&&&&&&&&&&&&&& 径向量子数
67、angular quantum number&&&&&&&&&&&&&&&&&&&& 角量子数
68、magnetic quantum number&&&&&&&&&&&&&&&&& 磁量子数
69、uncertainty relation&&&&&&&&&&&&&&&&&&&&&&&&&&&& 测不准关系
70、principle of complementarity&&&&&&&&&&&&&& 并协原理
71、quantum Poisson bracket&&&&&&&&&&&&&&&&&&&& 量子泊松括号
72、representation&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 表象
73、coordinate representation&&&&&&&&&&&&&&&&&&&& 坐标表象
74、momentum representation&&&&&&&&&&& &&&&&& 动量表象
75、energy representation&&&&&&&&&&&&&&&&&&&&&&&&& 能量表象
76、Schrodinger representation&&&&&&&&&&&&&&&&& 薛定谔表象
77、Heisenberg representation&&&&&&&&&&&&&&&&&&& 海森伯表象
78、interaction representation&&&&&&&&&&&&&&&&&&& 相互作用表象
79、occupation number representation&&&&&&& 粒子数表象
80、Dirac symbol&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 狄拉克符号
81、ket vector&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 右矢量
82、bra vector&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 左矢量
83、basis vector&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 基矢量
84、basis ket&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 基右矢
85、basis bra&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 基左矢
86、orthogonal kets&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 正交右矢
87、orthogonal bras&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 正交左矢
88、symmetrical kets&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 对称右矢
89、antisymmetrical kets&&&&&&&&&&&&&&&&&&& &&&&&& 反对称右矢
90、Hilbert space&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 希耳伯空间
91、perturbation theory&&&&&&&&&&&&&&&&&&&&&&&&&&&& 微扰理论
92、stationary perturbation theory&&&&&&&&&&&&&&&&&&&& 定态微扰论
93、time-dependent perturbation theory&&&&& 含时微扰论
94、Wentzel-Kramers-Brillouin method&&&&& W. K. B.近似法
95、elastic scattering&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 弹性散射
96、inelastic scattering&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 非弹性散射
97、scattering cross-section&&&&&&&&&&&&&&&&&&&&&&& 散射截面
98、partial wave method&&&&&&&&&&&&&&&&&&&&&&&&&& 分波法
99、Born approximation&&&&&&&&&&&&&&&&&&&&&&&&&&& 玻恩近似法
100、centre-of-mass coordinates&&&&&&&&&&&&&&&& 质心坐标系
101、laboratory coordinates&&&&&&&&&&&&&&&&&&&&&& 实验室坐标系
102、transition&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 跃迁
103、dipole transition&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 偶极子跃迁
104、selection rule&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 选择定则
105、spin&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 自旋
106、electron spin&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 电子自旋
107、spin quantum number&&&&&&&&&&&&&&&&&&&&&&& 自旋量子数
108、spin wave function&&&&&&&&&&&&&&&&&&&&&&&&&&& 自旋波函数
109、coupling&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 耦合
110、vector-coupling coefficient&&&&&&&&&&&&&&& 矢量耦合系数
111、many-particle system&&&&&&&&&&&&&&&&&&&&&&&& 多子体系
112、exchange forece&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 交换力
113、exchange energy&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 交换能
114、Heitler-London approximation&&&&&&&&&& 海特勒-伦敦近似法
115、Hartree-Fock equation&&&&&&&&&&&&&&&&&&&&&& 哈特里-福克方程
116、self-consistent field&&&&&&&&&&&&&&&&&&&&&&&&&& 自洽场
117、Thomas-Fermi equation&&&&&&&&&&&&&&&&&&&& 托马斯-费米方程
118、second quantization&&&&&&&&&&&&&&&&&&&&&&&&&& 二次量子化
119、identical particles&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 全同粒子
120、Pauli matrices&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 泡利矩阵
121、Pauli equation&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 泡利方程
122、Pauli&s exclusion principle&&&&&&&&&&&&&&&& 泡利不相容原理
123、Relativistic wave equation&&&&&&&&&&&&&&&& 相对论性波动方程
124、Klein-Gordon equation&&&&&&&&&&&&&&&&&&&&& 克莱因-戈登方程
125、Dirac equation&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 狄拉克方程
126、Dirac hole theory&&&&&&&&&&&&&&&&&&&&&&&&&&&&& 狄拉克空穴理论
127、negative energy state&&&&&&&&&&&&&&&&&&&&&&&& 负能态
128、negative probability&&&&&&&&&&&&&&&&&&&&&&&&& 负几率
129、microscopic causality&&&&&&&&&&&&&&&&&&&&&&& 微观因果性&
1. 8卦Poincare
CG系数--Fortran code
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!08.30.2011. BY XK @SCU!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!Input j1,j2,output the CG coefficient!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!MAIN PROGRAM!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!program mainimplicit nonereal & &j1,j2,j3,m1,m2,m3,cg,jmax,jmininteger m1_cont,m2_cont,j3_contwrite(*,*)&Please Input the values of j1:&read(*,*)j1write(*,*)&Please Input the values of j2:&read(*,*)j2!write(*,*)&Please Input the values of j3:&!read(*,*)j3!write(*,*)&Please Input the values of m1:&!read(*,*)m1!write(*,*)&Please Input the values of m2:&!read(*,*)m2!write(*,*)&Please Input the values of m3:&!read(*,*)m3jmax=j1+j2jmin=abs(j1-j2)& &m1=-j1do m1_cont=1,INT(2*j1+1)& &m2=-j2do m2_cont=1,INT(2*j2+1)& &m3=m1+m2& &j3=max(jmin,abs(m3))& &do j3_cont=1,INT(jmax-j3+1)& &call cgfactor(j1,j2,j3,m1,m2,m3,cg)& &write(*,*)&:&& &write(*,&(1A,F4.1,1A,F4.1,1A,F4.1,1A,F4.1,1A,F4.1,1A,F4.1,1A)&)&&&,j1,&,&,j2,&,&,m1,&,&,m2,&|&,j3,&,&,m3,&&&& &write(*,*)&The Clebsh-Gordan Factor value:&& &write(*,*)cg&& &j3=j3+1end do& &m2=m2+1end do& &m1=m1+1end doend program!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!SUBROUTINE ONE PROGRAM!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!subroutine cgfactor(j1,j2,j3,m1,m2,m3,cg)implicit nonereal & &j1,j2,j3,m1,m2,m3real & &cgsinteger cgs1,cgs2,cgs3,cgs4,cgs5,cgs6,cgs7,cgs8,cgs9,cgs10integer facs1,facs2,facs3,facs4,facs5,facs6,facs7,facs8,facs9,facs10,facs11real & &facsr1,facsr2,facsr3,facsr4,facsr5,facsr6,facsr7,facsr8,facsr9,facsr10,facsr11integer vs1,vs2,vs3,vx1,vx2,vx3,vmax,vmin,v,vabs,vmodreal & &cgxr,cgx,cgxvinteger cgx1,cgx2,cgx3,cgx4,cgx5,cgx6integer facx1,facx2,facx3,facx4,facx5,facx6real & &cg!if((m1+m2).ne.m3)then!write(*,*)&the input values is BAD!!! Please rerun the program.&!else if((m1+m2).eq.m3) thenif((m1+m2).eq.m3) thencgs1=j1+j2-j3& & if(cgs1.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs1.eq.0)then& & & facs1=1& & else if(cgs1.gt.0)then& & & call factorial(cgs1,facs1)& & end if& & facsr1=REAL(facs1)!write(*,*)&the facsr1 value:&!write(*,*)facsr1cgs2=j2+j3-j1& & if(cgs2.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs2.eq.0)then& & & facs2=1& & else if(cgs2.gt.0)then& & & call factorial(cgs2,facs2)& & end if& & facsr2=REAL(facs2)!write(*,*)&the facsr2 value:&!write(*,*)facsr2cgs3=j3+j1-j2& & if(cgs3.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs3.eq.0)then& & & facs3=1& & else if(cgs3.gt.0)then& & & call factorial(cgs3,facs3)& & end if& & facsr3=REAL(facs3)!write(*,*)&the facsr3 value:&!write(*,*)facsr3cgs4=j1+j2+j3+1& & if(cgs4.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs4.eq.0)then& & & facs4=1& & else if(cgs4.gt.0)then& & & call factorial(cgs4,facs4)& & end if& & facsr4=REAL(facs4)!write(*,*)&the facsr4 value:&!write(*,*)facsr4cgs5=j1+m1& & if(cgs5.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs5.eq.0)then& & & facs5=1& & else if(cgs5.gt.0)then& & & call factorial(cgs5,facs5)& & end if& & facsr5=REAL(facs5)!write(*,*)&the facsr5 value:&!write(*,*)facsr5cgs6=j1-m1& & if(cgs6.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs6.eq.0)then& & & facs6=1& & else if(cgs6.gt.0)then& & & call factorial(cgs6,facs6)& & end if& & facsr6=REAL(facs6)!write(*,*)&the facsr6 value:&!write(*,*)facsr6cgs7=j2+m2& & if(cgs7.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs7.eq.0)then& & & facs7=1& & else if(cgs7.gt.0)then& & & call factorial(cgs7,facs7)& & end if& & facsr7=REAL(facs7)!write(*,*)&the facsr7 value:&!write(*,*)facsr7cgs8=j2-m2& & if(cgs8.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs8.eq.0)then& & & facs8=1& & else if(cgs8.gt.0)then& & & call factorial(cgs8,facs8)& & end if& & facsr8=REAL(facs8)!write(*,*)&the facsr8 value:&!write(*,*)facsr8cgs9=j3+m3& & if(cgs9.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs9.eq.0)then& & & facs9=1& & else if(cgs9.gt.0)then& & & call factorial(cgs9,facs9)& & end if& & facsr9=REAL(facs9)!write(*,*)&the facsr9 value:&!write(*,*)facsr9cgs10=j3-m3& & if(cgs10.lt.0)then& & & write(*,*)&The input value is BAD!!!&! & & &exit& & else if(cgs10.eq.0)then& & & facs10=1& & else if(cgs10.gt.0)then& & & call factorial(cgs10,facs10)& & end if& & facsr10=REAL(facs10)!write(*,*)&the facsr10 value:&!write(*,*)facsr10facs11=INT(2*j3+1)facsr11=REAL(facs11)!write(*,*)&the facsr11 value:&!write(*,*)facsr11!!!!!!!!!!!!!!!!!!!!!!!!!!!AFTER SQRTed the cgs value!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!cgs=sqrt(facsr1*facsr2*facsr3/facsr4*facsr5*facsr6*facsr7*facsr8*facsr9*facsr10*facsr11)!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!NOT SQRTed the cgs value!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!cgs=facsr1*facsr2*facsr3/facsr4*facsr5*facsr6*facsr7*facsr8*facsr9*facsr10*facsr11!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!write(*,*)&the cgs value:&!write(*,*)cgsvs1=j1+j2-j3vs2=j1-m1vs3=j2+m2vx1=0vx2=j1+m2-j3vx3=j2-j3-m1vmax=min(vs1,vs2,vs3)vmin=max(vx1,vx2,vx3)if(vmax.lt.vmin)then& write(*,*)&The input value is BAD!!!&! &exitelse if(vmax.eq.vmin)then& &v=vmax& &cgx1=v& & &if(cgx1.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx1.eq.0)then& & & &facx1=1& & &else if(cgx1.gt.0)then& & & &call factorial(cgx1,facx1)& & &end if& &cgx2=j1+j2-j3-v& & &if(cgx2.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx2.eq.0)then& & & &facx2=1& & &else if(cgx2.gt.0)then& & & &call factorial(cgx2,facx2)& & &end if& &cgx3=j1-m1-v& & &if(cgx3.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx3.eq.0)then& & & &facx3=1& & &else if(cgx3.gt.0)then& & & &call factorial(cgx3,facx3)& & &end if& &cgx4=j2+m2-v& & &if(cgx4.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx4.eq.0)then& & & &facx4=1& & &else if(cgx4.gt.0)then& & & &call factorial(cgx4,facx4)& & &end if& &cgx5=j3-j1-m2+v& & &if(cgx5.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx5.eq.0)then& & & &facx5=1& & &else if(cgx5.gt.0)then& & & &call factorial(cgx5,facx5)& & &end if& &cgx6=j3-j2+m1+v& & &if(cgx6.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx6.eq.0)then& & & &facx6=1& & &else if(cgx6.gt.0)then& & & &call factorial(cgx6,facx6)& & &end if&& && &vmod=MOD(v,2)& && &if(vmod.eq.1)then& & &cgx=1.0/REAL((-1)*facx1*facx2*facx3*facx4*facx5*facx6)& &else if(vmod.eq.0)then& & &cgx=1.0/REAL(facx1*facx2*facx3*facx4*facx5*facx6)& &end if&& &&else if(vmax.gt.vmin)thencgx=0do v=vmin,vmax,1& &cgx1=v& & &if(cgx1.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx1.eq.0)then& & & &facx1=1& & &else if(cgx1.gt.0)then& & & &call factorial(cgx1,facx1)& & &end if& &cgx2=j1+j2-j3-v& & &if(cgx2.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx2.eq.0)then& & & &facx2=1& & &else if(cgx2.gt.0)then& & & &call factorial(cgx2,facx2)& & &end if& &cgx3=j1-m1-v& & &if(cgx3.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx3.eq.0)then& & & &facx3=1& & &else if(cgx3.gt.0)then& & & &call factorial(cgx3,facx3)& & &end if& &cgx4=j2+m2-v& & &if(cgx4.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx4.eq.0)then& & & &facx4=1& & &else if(cgx4.gt.0)then& & & &call factorial(cgx4,facx4)& & &end if& &cgx5=j3-j1-m2+v& & &if(cgx5.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx5.eq.0)then& & & &facx5=1& & &else if(cgx5.gt.0)then& & & &call factorial(cgx5,facx5)& & &end if& &cgx6=j3-j2+m1+v& & &if(cgx6.lt.0)then& & & &write(*,*)&The input value is BAD!!!&! & & & exit& & &else if(cgx6.eq.0)then& & & &facx6=1& & &else if(cgx6.gt.0)then& & & &call factorial(cgx6,facx6)& & &end if& &vabs=ABS(v)& &vmod=MOD(vabs,2)& && &if(vmod.eq.1)then& & &cgxv=1.0/REAL((-1)*facx1*facx2*facx3*facx4*facx5*facx6)& &else if(vmod.eq.0)then& & &cgxv=1.0/REAL(facx1*facx2*facx3*facx4*facx5*facx6)& &end if& && &cgx=cgx+cgxv& &end doend if!write(*,*)&the cgx value:&!write(*,*)cgx!!!!!!!!!!!!!!!!!!!!!!!!!!!AFTER SQRTed the cgs value!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!if(cgx.eq.0)then! &cg=0!! &write(*,*)&The Clebsh-Gordan Factor value:&!! &write(*,*)cg!else if(cgx.ne.0)then! &cgxr=REAL(cgx)!!!write(*,*)&the cgxr value:&!!!write(*,*)cgxr! &cg=cgs*cgxr!! &write(*,*)&The Clebsh-Gordan Factor value:&!! &write(*,*)cg!end if!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!NOT SQRTed the cgs value!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!if(cgx.eq.0)then& &cg=0! &write(*,*)&The Clebsh-Gordan Factor value:&! &write(*,*)cgelse if(cgx.gt.0)then& cgxr=(REAL(cgx))**(2)!!write(*,*)&the cgxr value:&!!write(*,*)cgxr& cg=cgs*cgxr! &write(*,*)&The Clebsh-Gordan Factor value:&! &write(*,*)cgelse if(cgx.lt.0)then& &cgxr=(REAL((-1)*cgx))**(2)!!write(*,*)&the cgxr value:&!!write(*,*)cgxr& cg=(-1)*cgs*cgxr! &write(*,*)&The Clebsh-Gordan Factor value:&! &write(*,*)cg&end if!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!end ifend subroutine!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!SUBROUTINE TWO PROGRAM!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!subroutine factorial(k,fac)implicit noneinteger k,fac,fac_cont! & & if(k.lt.0)then! & & write(*,*)&the values of i, j are BAD&!else if(k.eq.0)then! & & write(*,*)&the value of factorial:&! & & write(*,*)1!else if(k.gt.0)then& & &fac=1& & &if(k.gt.0)then& & &do fac_cont=1,k& & & & fac=fac*fac_cont& & &end do! & & write(*,*)&the value of factorial:&! & & write(*,*)fac& & &end ifend subroutine!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
这个网站好牛
随机多边形化为椭圆的数学证明
好吧我知道大多数人翻了一下这篇日志之后就放弃阅读了。在人人网上仔细看这样的文章简直就是虐待自己。。。
我只好先声明一下，尽管文章的后半段所用的表述看上去很复杂，但其中用到的最高深的数学知识仅仅是矩阵乘法和矩阵对角化而已，根本不涉及其他复杂的数学技巧。总之感兴趣的同学可以稍微看一下～
本文给出图1的一个数学证明。本文表述的严格性未必能达到数学专业同学的标准，但证明的思想应该是没有太大的问题的。如果大家发现了这个证明中的错误，请在留言中指出。
首先，图1具有一定的欺骗性。不断连接中点的多边形只可能缩成一个点，而不是变成一个椭圆。读者可以自己画一个三角形做几次中点的连接。很容易看出，画不了几次，三角形就缩成了一个点。对于N个点的多边形，这种情况也会发生。请看图2。其中的红叉是所有顶点坐标的平均位置。红叉的位置是不变的（很容易证明）。&
那么图1究竟是怎么回事呢？事实上，图1并没有告诉你一个隐藏条件：最初的多边形中，所有点的平均坐标为0。就算没有这个条件，我们也可以通过平移坐标系来满足这个条件。这意味着在接下来的过程中，所有点的平均坐标始终为0。有了这个条件，就得到了图3：&
可以看到，这个椭圆一直在缩小。为了保持椭圆的大小，我们就需要第二个隐藏条件：每次连接中点后，将整个图形的所有点的坐标做线性放大。如果我们有了这两个条件，我们得到的图4就是以下这个样子的了。&
那么，我们终于还原了图1。下面就给出图1产生的数学证明。请注意，以上两个隐藏条件，在以下证明中发挥了重要作用。
为使该证明更易理解，该证明仅针对5个顶点的多边形的x坐标。y坐标的证明和x坐标完全相同。而且，这个证明可以轻易推广到任意多边形的情况。
我们将5个顶点的x坐标写成列向量：
经过取中点的操作，我们得到这样的列向量：
上标1代表我们做了1次的取中点操作。这个取中点的操作，就是把最初的向量乘以一个矩阵：
其中M是一个5*5的矩阵：
那么经过k次取中点的操作，我们得到的列向量是：
只要求出矩阵M的特征向量和特征值，这个乘积就是很容易计算的了。&&&
下面来研究矩阵M。这个矩阵有一个非常有趣的特点。该矩阵的第一列向下平移一位，就得到了第二列。第二列向下平移一位，就得到了第三列。在周期性边条件下，第四列向下平移得到第五列。具有这样特点的矩阵，在数学上被称为&循环矩阵&。
循环矩阵有一个非常有趣的性质：它的特征值刚好就是它第一列的离散傅立叶变换；而它的全部特征向量构成的矩阵，则正好是离散傅立叶变换矩阵的逆矩阵。读者可以自行google&离散傅立叶变换&和&离散傅立叶变换矩阵&。
利用循环矩阵的这个性质，可以轻易写出其对角化的结果：
其中Q为离散傅立叶变换矩阵，而的特征值构成的对角矩阵：
以上各矩阵中：
下面的工作就是计算了。为了使得表述简洁，我们将Q写成5个行向量的形式。那么则写成5个列向量的形式：
请注意，符号'包含了复共轭。
进一步写成向量外积的形式：
好的，那么我们就将写成了5项之和。（对于N个点的多边形，可以写成N项之和。）
读者可以验证，的第2项和第5项互为复共轭，第3项和第4项互为复共轭。因此我们就可以将进一步简化为：
我们将以上表达式称为(X)式。
读者可以验证：
因此，当k趋于无穷大时，(X)式中的后一项的系数相对于前一项的系数可以忽略。
但是请注意：如果我们武断地只保留(X)式的第一项的话，那么就前功尽弃。事实上，第二项而不是第一项，在椭圆型形成的过程中发挥了决定性的作用。
原因如下：
(X)式中中的第一项为：
请回忆我们的隐藏条件：在最初的一张图中，所有点的平均坐标为0。
也就是说，在(X)式的求和中，尽管第一项的系数远远大于第二项，但它后面乘了个0。因此结果只能是0。因此，第二项才是决定最终结果的关键。
接下来，我们研究(X)式的第二项，来证明为何形成了椭圆。请注意我们的第二个隐藏条件：每次连接中点后，将整个图形的所有点的坐标做线性放大。因此，趋于无穷小的第二项的系数将被这个线性放大抵消掉。我们只需研究的规律即可。
由于是实向量，我们有：
其中，是一个复标量。也就是说，不论的分布如何，经过这个内积，结果只能是一个纯粹简单的标量。的随机性也就是多边形最初那种杂乱无章的交错，就这样被解决了。
结果我们得到了一个非常整齐而简洁的向量：
这个向量的全部分量，正是复平面中一个以固定角度旋转的复数在实轴上的形成的连续的投影。的顺序与这个旋转投影的顺序完全一致。不论最初的的分布如何杂乱，在整个周期中，只能有一个单调上升和一个单调下降的过程。
至此，我们关于x坐标的证明告一段落。关于y坐标的证明完全相同。由于对于x和y，C的模和幅角都不相同，因此得到的应当是一个椭圆，而且椭圆的长短轴也未必与x,y方向平行。
此外需要指出，如果也等于0，那么我们在(X)式中就要关注第三项了，结果仍然是一个椭圆。&&转自&
股票波动是完全随机的吗？
转自：/blog/9135614?bfrom=&ref=minifeed&sfet=602&fin=6&fid=&ff_id=&platform=0&expose_time=
& & & 不知道你有没有想过这样一个问题：股票每天起起伏伏涨涨跌跌，其中的变化究竟是完全随机，还是可以预测的呢？
& & 如果说股票涨跌是可以预测，那为什么有那么多&股友&甚至是资深交易员也在股海中亏了大钱呢？如果说股票涨跌完全随机，那那些投资银行对冲基金们又是凭什么赚的钱？
& & 最近我实习上班工作不多，没什么事情干的时候就上网搜一些网络课程看。耶鲁大学的教授有一个金融入门的网上课程，在中，他给出了一个看似让人吃惊的结论：他用excel画出了取了对数之后的美国不到两百年的标准普尔指数（S&P 500）的时间序列图，并且他随机生成了一条带漂移项和波动项的随机游走的样本轨道（a sample path of a random walk with drift and volatility terms），这两者居然相差无几！（见下图课程视频截图，紫色为随机生成的随机游走样本轨道）
& & 那么，股票波动真的就是完全随机的吗？那那些天天在电视上大言不惭的金融分析师们难道都应该下岗了吗？要回答这个问题，就要有一套方法来判定，一个看上去不规则波动的过程，怎样才算&完全随机&。
& & 加州州立大学概率论教授Mark Schilling做过这么一个非常有趣的实验：他让班上的学生分成两半，一半让他们投掷两百次硬币并记录下&head&（H）和&tail&（T）的出现顺序；另一半学生则自己试图尽量随机地写下两百个H和T。令人惊讶的是，如果只给你一大堆杂乱无章的H和T，不告诉你他们是怎么生成的，有一个很简单的办法，能够轻易地把真正随机的和&伪装随机&的区分出来。下面是一个例子。
& & 上面两组排列中，有一组的随机生成的，另外一组的是学生&臆想&的。不知道你是怎么想的，反正我看到以后，觉得第二组的是真正随机生成的&李逵&。然而真相总是出人意料的，第一组数才是货真价实的随机排列。那么应该如何判定呢？上面提到的简单检验的方法，就是一组完全随机生成的两百个H和T的排列中，最长的、连续是H的列（即HHH...）至少应该有7个左右那么长，而上面的第二组明显没有足够长的连续H列。
& & 这个结果都写在Schilling的一篇里。这篇论文还给出了当随机投n次硬币（不一定是公平的硬币）时，最长连续H列（定义为Rn）的期望和方差的估计。
& & 其中p是出现H的概率，q=1-p，\gamma是欧拉常数0.577...，r_1(n)、r_2(n)是不收敛到0但有界的很小的项，\epsilon_1(n)、\epsilon_2(n)随着n增大收敛到零。注意到Rn的方差其实并不随着n变化而变化太多，因而在几乎所有情况下，Rn仅仅在它的期望的正负2的范围内波动。如果想象n可以很大很大，这个精度是很惊人的。在我们的例子里，p=1/2, n=200，带入计算，最长的连续H列的期望约等于ln（200）/ln(2)-2/3等于7左右，上面第二组的连续H列最长值只有5，而且只有两组。所以说装的人装得还是不够老道啊。
& & 一般来说，一个长为n的、由公平硬币投掷出来的H和T列，其最长的连续H列可以近似为log_2(n)-2/3。这个结果实在太强大了，我在这里也无法一下子讲清这是如何做出来的。实际上，可能是上世纪最有名气的数学家&&Erdos，也是最早考虑这个问题的学者之一。有趣的是，在Scilling教授论文里提到，能够成功写出连续7个左右H的学生，最后都在该教授的概率课取得不错的成绩。
& & 不过我们可以反过来做一个简单一点的题。随机投硬币，平均投多少次才能出现7个连续出现的H呢？这个题是一个经典的pattern的问题，很多随机过程的书都有，关键是先考虑出现第一个H的平均投掷次数，然后考虑从出现第一个H到出现第一个HH的投掷次数，然后第一个HH到第一个HHH的投掷次次数，...如此类推。答案是2+4+8+...+2^7=2^8-2=254，跟200差不多。所以反向推敲，一个长200的随机列里，最长连续H列的长度期望为7，也很合理。
& & 这个问题实际上应该是符合我们的生活直觉的。比如我们打牌的时候，经常会碰到有人连续好几盘抓到好牌，我们称为手气好，其实这也只不过是概率在起作用。
& & 或许你又会问一个问题：为什么人们总不能自己构造出足够长连续H列的随机列呢？这其实在行为经济学里叫&赌徒错觉&(gambler's fallacy)，说的是赌徒在连续输钱以后，总觉得自己的霉运要走到头了，于是潜意识里默认赌局不是相互独立的，下一盘赢的可能性会变大。赌徒错觉在现实生活中有很多应用，比如彩票，明明每次开奖的结果应该是相互独立的，却总是有人连篇累牍的在报纸上分析很多彩票摇奖结果的规律，比如最近出现奇数或者某个号码比较多啦等等，不一而足，毫无意义却又乐此不疲。同时，赌徒错觉会导致人们的一些投资倾向，比如人们在股价上升时会趋于抛售股票，而股价下降时则趋向买入，导致股市在高位容易（概率更大）暴跌，低位容易反弹。这也是很多金融的模型，如股票、利率模型，都会出现平均返回模型（mean reversion model）的原因。其实我在上一篇日志《》里也提到过类似的问题。看来人们在潜意识里，还是觉得上帝应该是的公平的啊，如果好运碰多了，总会遇到坏运气的。
& & 话说回来，用这种方法，能够检验股票涨落的是完全随机的吗？为了分析简单，我只计算每天股票跟其平均日涨幅比，是高了还是低了，而并不计算其高或者低的幅度。如果高了，就标记为H，反之为T。我调出了标普指数近来两百天的数据，将其换算为两百个H和T组成的数列，发现看上去还是挺&随机&的，这跟上面Shiller教授的结论有点类似。有趣的是，我又看了上证综指近来两百天的数据；套用上面的结论，今年的大起大落倒是符合上述随机的标准的，而去年下半年的的小涨小跌反倒像是市场的&赌徒错觉&心态在作怪。都说中国股市是庄家操纵的，留给大家玩味吧。
好神奇！你从没见过的深海生物。
蓝光二极管
公元1988年，在日本一个叫阿南的小城市里，一位普通的日亚公司职员厌倦了十年来生长一些磷化镓砷化镓单晶的活，也冒然越级走进公司董事长的办公室，提出了要制备氮化镓蓝光发光二极管，董事长当即决定资助500万美元的设备支持。三年后这位中村修二同学便在《应用物理快报》上发表了生平第一篇英文文章：一种用于生长氮化镓新 &颖的金属有机物化学气相沉积法。论文一发表便轰动了世界半导体产业界和科学界，要知道这个时候世界上有多少大公司、著名大学科研机构都在为半导体蓝光光源薄膜材料的制备工艺头痛不已，而氮化镓正是III-V族半导体材料中最具有希望的宽禁带光学材料。 &&问题并不在于这些科学家们不知道氮化镓，物理学上关于这种材料的能带结构、PN导电类型调控以及发光特性都有大量的理论和实验上的成果，真正让人头疼的是如果要实现这种材料的器件化，必须要使基板材料和氮化镓晶格匹配才行！正是因为这个难题全世界科学界和产业界几乎都把氮化镓抛在脑后，一股风地去研究能生长在砷化镓基板上的硫化锌、硒化锌等II-VI族半导体，即便这些半导体材料发光效率并不高，而且使用寿命很短。正如中村修二后来打趣的说，因为这些大公司的研发力量把II-VI族半导体的山头都占满了，不能竞争，只有另辟蹊径走别人不走的路。 &&一个人走在这条荒无人烟的路上，这确实是一条中村修二自己踏出的路，没有实验员，没有助手，难怪整个科学界都感到惊讶。他在短短四年时间克服了两个重大材料制备工艺难题，一个是高质量氮化镓薄膜的生长；另一个是氮化镓空穴导电的调控。前者他改进了金属有机物气相生长过程中组分气流进入的方式，经过多达 500次试验，终于在普通蓝宝石基片上获得高电子迁移率的氮化镓薄膜；解决后一个问题采用的方法更加具有传奇色彩，当时日本Meiji大学的 Akasaki和Amano教授已经报道镁掺杂的氮化镓薄膜利用电子束辐射可以实现空穴导电，但是中村修二实验发现只要控制工艺中的氢气浓度就可以大规模地得到p型掺杂材料。1994年4月，当中村修二在美国旧金山举办的春季材料会议上打开他发明的蓝色激光器那一瞬间，整个会议厅的科学家们如同小孩看烟火一般不断发出赞叹的声音。 &&我有时候很惊讶为什么日本这个国家总是出现这么多科学上的&奇迹&，中村修二是个公司的普通职员而已，发明蓝色激光器之前他也只是日本一个不知名大学（德岛大学）毕业的硕士生。回想到02002年诺贝尔化学奖奖给日本的田中耕一，一时间世界化学家们都不知道这个人是谁，日本化学界也都茫然地面对记者的提问，后来才知道田中耕一 &只是岛津制造所的一个小职员，本科生学历，所发表的关于测定蛋白质质量的论文也只是登载在日本一个小刊物上。我在想，当我们科学界沉醉于谈论SCI、影响因子和量化指标的时候，科学变成了一个急功近利炫耀的舞台，而不是充满冒险、乐趣、坚守和奉献的探索之旅，浮躁有理么？我们的科技体制到底要将科学轨道扳向何方？ &&闲聊一句，中村修二虽然把最有显示度的结果都发表在美国的《应用物理快报》上面，但是对于核心的工艺成果却是通通发表在《日本应用物理杂志》上面。当然器件物理领域一些繁琐的革新是无法上一些物理化学明星期刊的，成果的优劣当然没有必要用这些期刊的高影响因子来证明。我们很多时候喜欢反过来说，国内大学科研院所网站上科技新闻的特点就是一有突破就是在Nature，Science，JACS，PRL等等上面发了什么文章，如果没有这些期刊充面子简直提不上创新。另一方面，为什么中村会将工艺上的突破全部让本国刊物来发表？我猜测这个和日本应用物理学会对于重大知识产权的保护有很大的关系，如果试图发表在他国刊物上，必然会经受&同行求疵&而不是&同行评价&，严重的还会出现被压制或者被某个小组抢先一步发表。原创性成果的抢先发表有时候是科学家们的战争。但是我还是鼓励好的成果在做好知识产权保护之后（如申请专利或者在国际会议上简要宣布）发表在国际刊物上，我不认为这是学术殖民化，难道美国人会因为向英国《自然》投稿而感到被殖民化？真正的问题在于我们如果选择在一个平等的舞台上表达，就要面对暂时性的开发利用能力的不平等。在知识的转化上面我们是远远处于劣势的，这是真正让人感到不平衡的地方。如果我们因为领悟力不足而放弃在世界舞台自主创新做出努力，那么最后连交学费的机会都没有。 &&中村修二发明的氮化镓发光二极管对人类的贡献是显而易见的：利用深紫外发光可以高效率地净化生活用水；光纤通信的传输效率得到提高；超长使用寿命和高电光转换效率的全固态白光光源将极大促进绿色能源进程。美国能源部主持的一个关于全固态照明应用节能报告中指出，02027年如果用半导体发光技术取代现有主要照明工具的话，将可以节省近660TWh，相当于让40个1000兆瓦的发电站停工。杜祥琬院士也帮中国算了一个帐：如果都改用节能灯，可以节约一千亿度电，长江三峡每年是800亿度，就是说我们能节约一个三峡还要多。我总是很同情环保主义者的很多偏激做法，之所以同情，是因为他们提供不了比科学更有效的方法来促成自然生态和人类社会融洽共处。 &&爱迪生曾经说过一句很有名的话：我们将生产出最便宜的电力，让富人去买蜡烛！半导体发光照明的最终实现，将来在昏黄的白炽灯下怀旧或会变成一种奢侈的享受呢。这真是一场III-V族半导体引发的能源革命。
2014诺贝尔物理学奖——他们说，要有蓝光，便有了蓝光 。
&上帝说，要有光，便有了光。&2014年的诺贝尔物理学奖，授予了为人类带来蓝光LED的三位科学家。&这三位科学家是日本名古屋大学的赤崎勇、天野浩以及美国加州大学圣巴巴拉分校的中村修二。诺贝尔奖授予他们，以表彰他们在发明一种新型高效节能光源方面的贡献，即蓝色发光二极管(LED)。根据阿尔弗雷德&诺贝尔的遗嘱：诺贝尔奖授予那些对全人类的福祉作出重大贡献的成就，通过蓝色LED技术的应用，人类可以使用一种全新的手段产生白色光源。相比旧式的灯具，LED灯具有更加持久且高效的优点。&诺奖官网称，红色与绿色发光二极管已经伴随我们超过半个世纪，但我们还需要蓝光的到来才能彻底革新整个照明技术领域，因为只有完整的采用红、绿、蓝三原色之后，我们才能产生照亮我们世界的白色光源。但尽管工业界和学界付出了巨大的努力，但产生蓝色光源的技术挑战仍然持续了超过30年之久。&诺贝尔奖委员会主席，瑞典查尔姆斯理工大学的皮尔&德尔辛教授(Per Delsing)介绍了此次获奖人成果的来之不易，他说：&有趣的是，很多大公司此前都曾尝试做这件事，但他们都失败了。但这几个人就是坚持着不肯放弃，他们一次又一次的实验，并最终取得了成功。&&赤崎勇、天野浩、中村修二在上世纪90年代早期，从半导体中发现蓝色光束。当时，赤崎勇和天野浩在日本名古屋大学工作，而中村修二当时则在位于四国岛上的德岛市内一家名为&日亚化学&(Nichia Chemicals)的小公司工作。蓝光LED的研发是日本产研结合的成果。在GaN（氮化镓，一种发光材料） LED的研究阶段，赤崎勇领导的研究小组取得了出色的成果，在之后的实用化及高亮度化阶段，中村修二则发挥了重要作用。（这里要注明一下，从原理上来说，好几种材料都能实现蓝色发光功能。其中，氮化镓是最受人冷落的。但恰恰只因&其他人没有采用&，中村便决定了他的选择。）当他们通过半导体产生出蓝色光源时，照明技术革命的大门打开了。白炽灯照亮了整个20世纪，而21世纪将是LED灯的时代。&中村修二后来被誉为&蓝光LED之父&。&中村修二最近几年时常来中国企业、高校进行LED方面的报告讲座。前两年他曾在一次讲座中指出，美国LED照明的开发得益于风险公司。无论是研发进展还是经营决断都十分迅速，台湾和中国大陆的情况也是如此。但日本LED照明的开发&由大型厂商负责，决策速度较慢&，因此技术水平方面其它各国迟早会追上日本厂商。另外，中村还认为，日本的各种规定太多，阻碍了LED照明开发速度的提高。&不废除规定就不会产生自由竞争&。
【世界真奇妙】想在朋友们面前露一手吗？心理学家Richard Wiseman教你一些小把戏，懂得它的原理，包你每次打赌准赢！等着他们羡慕的眼神吧。
没有字幕，当练习英语听力好了。
【更多精彩请加微信hahabzc，每天福利送不停~~~你懂得。。】
把iPhone 6扔进搅拌机！！搅拌机狂魔又来了！一起来看iPhone 6 Plus碎成渣渣！！！仿佛闻到一股烤腰子的味道……
选送自 掘图志 小站
站长在关注
说的太好了，我顶！
Copyright & 2014
Corporation, All Rights Reserved
Processed in 3.8482 second(s), 5 db_queries,
1 rpc_queries